Inteligencia artificial para desentrañar la compleja dinámica de los suelos

En la Conferencia Courant de 1959, el premio Nobel Eugene Wigner popularizó el concepto de “la irrazonable eficacia de las matemáticas en las ciencias naturales”, una de las creencias más hondas en las raíces del conocimiento. Esta idea, especialmente cierta en física, ha sido dejada bastante al margen en otras disciplinas, como la biología o la geología, que han aceptado paradigmas basados en un uso extenso y recursivo de taxonomías especialmente diseñadas al efecto. La situación está cambiando actualmente, pero hay que destacar que ya en 1941 Jenny hizo una contribución seminal a la edafología, estableciendo una relación matemática entre tipos de suelo y las variables que influyen en su formación. A pesar de que las técnicas existentes en la época no permitían traducir esta idea a una función matemática definida, su impacto fue tal que se convirtió, y sigue siéndolo hasta la fecha, en el paradigma central de esta ciencia.

Recientemente, un grupo de investigadores de varias instituciones han dado una vuelta de tuerca a la cuestión. En un estudio, el equipo encabezado por Francisco Prieto Castrillo de la Universidad de Oviedo, propone una solución alternativa: usar los mapas autoorganizados, que son una de las técnicas modernas del aprendizaje automático, para proporcionar un entorno que convierta la expresión de Jenny en una verdadera expresión matemática.

El trabajo es obra de un equipo con participación de las universidades de Oviedo, Autónoma de Madrid (UAM), Pontificia de Comillas, así como el CIEMAT y la empresa AgrowingData, en España, y la Comisión Europea (JRC).

En un primer paso, el algoritmo MAO se entrena con una fracción de una base extensa de datos. En el estudio, esta fracción consistía en los valores obtenidos en una investigación de campo en la que se examinaron 15 variables relacionadas con los factores formadores edafológicos, en 442 localizaciones del Principado de Asturias con distintos tipos de suelo.

En un segundo paso, el algoritmo MAO encuentra las asociaciones relevantes que existen entre los factores anteriores, que se traducen a un algoritmo matemático predictivo, algo más complicado que una simple ecuación, que se valida entonces con el resto de valores de la base de datos.

Así, se podría predecir el tipo de suelo que existe en una localidad fuera de ámbito del estudio original, o incluso de realizar un mapa edafológico completo del Principado y regiones aledañas, tarea que se está llevando a cabo ya en la actualidad.

“La idea detrás del método es determinar la relevancia de cada uno de los símbolos que incluyó Jenny en su famosa expresión. De esta forma, aquélla, puede simplificarse al máximo y hacer que actúe de forma automática sin necesidad del juicio de un experto en la materia, aunque paradójicamente esta haya sido imprescindible en el análisis preliminar”, detallan los autores del estudio.

Los resultados del estudio ofrecen importantes aplicaciones prácticas entre las que se encuentran algunas de gran importancia como la gestión de suelos, su utilización y mejora, o la confección de mapas edafológicos. (Foto: Amazings / NCYT)

En el estudio se concluye que, para cada tipo de suelos, solo unas pocas variables, típicamente 6 diferentes en cada caso, y asociadas a los factores formadores, son relevantes. Esto reduce la complejidad del “algoritmo predictor de Jenny” porque elimina buena parte del ruido estadístico existente entre variables en la base de datos, lo que resulta crucial en el caso de análisis multivariante con magnitudes similares u opuestas.

El estudio también proporciona la huella dactilar de cada tipo de suelo observable. Esto facilita la extracción cuantitativa de este conocimiento edafológico sobre la base de datos de partida.

En suma, el hallazgo ofrece una nueva perspectiva sobre la ciencia del suelo y la expresión paradigmática de Jenny, lo que conlleva importantes aplicaciones prácticas entre las que se encuentran algunas de gran importancia como la gestión de suelos, su utilización y mejora, o la confección de mapas edafológicos.

El estudio se titula “Disentangling Jenny’s equation by machine learning”. Y se ha publicado en la revista académica Scientific Reports. (Fuente: UAM)